CN115311469A - 图像标注方法、训练方法、图像处理方法以及电子设备 - Google Patents
图像标注方法、训练方法、图像处理方法以及电子设备 Download PDFInfo
- Publication number
- CN115311469A CN115311469A CN202210946637.4A CN202210946637A CN115311469A CN 115311469 A CN115311469 A CN 115311469A CN 202210946637 A CN202210946637 A CN 202210946637A CN 115311469 A CN115311469 A CN 115311469A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- feature
- test image
- template
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种图像标注方法、训练方法、图像处理方法以及电子设备,涉及人工智能技术领域,尤其涉及计算机视觉、深度学习和工业质检技术领域。具体实现方案为:确定测试图像的特征信息,其中,特征信息包括特征点的特征点信息和特征点描述符信息;根据测试图像的特征信息和与测试图像对应的模板图像的特征信息,确定模板图像和测试图像之间的变换信息;根据变换信息和模板图像的标注信息,得到测试图像的标注信息。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及计算机视觉、深度学习和工业质检技术领域。具体地,涉及一种图像标注方法、训练方法、图像处理方法以及电子设备。
背景技术
随着计算机技术的不断发展,对图像进行处理的需求越来越多。例如,对图像进行图像标注。图像标注可以指对图像中的目标对象标注预期标签的技术。
发明内容
本公开提供了一种图像标注方法、训练方法、图像处理方法以及电子设备。
根据本公开的一方面,提供了一种图像标注方法,包括:确定测试图像的特征信息,其中,上述特征信息包括特征点的特征点信息和特征点描述符信息;根据上述测试图像的特征信息和与上述测试图像对应的模板图像的特征信息,确定上述模板图像和上述测试图像之间的变换信息;以及,根据上述变换信息和上述模板图像的标注信息,得到上述测试图像的标注信息。
根据本公开的另一方面,提供了一种指针表计图像的标注方法,包括:获取目标指针表计图像;以及利用根据本公开上述的方法对上述目标指针表计图像进行标注,得到上述目标指针表计图像的标注信息。
根据本公开的另一方面,提供了一种深度学习模型的训练方法,包括:获取样本图像,其中,上述样本图像具有标注信息,上述样本图像的标注信息是利用根据本公开上述的方法得到的;以及,利用上述样本图像和上述样本图像的标注信息训练深度学习模型,得到图像处理模型。
根据本公开的另一方面,提供了一种图像处理方法,包括:获取待处理图像;以及,将上述待处理图像输入图像处理模型,得到图像处理结果,其中,上述图像处理模型是利用根据本公开上述的方法训练的。
根据本公开的另一方面,提供了一种图像标注装置,包括:第一确定模块,用于确定测试图像的特征信息,其中,上述特征信息包括特征点的特征点信息和特征点描述符信息;第二确定模块,用于根据上述测试图像的特征信息和与上述测试图像对应的模板图像的特征信息,确定上述模板图像和上述测试图像之间的变换信息;以及,第一获得模块,用于根据上述变换信息和上述模板图像的标注信息,得到上述测试图像的标注信息。
根据本公开的另一方面,提供了一种指针表计图像的标注装置,包括:第一获取模块,用于获取目标指针表计图像;以及第二获得模块,用于利用根据本公开上述的装置对上述目标指针表计图像进行标注,得到上述目标指针表计图像的标注信息。
根据本公开的另一方面,提供了一种深度学习模型的训练装置,包括:第二获取模块,用于获取样本图像,其中,上述样本图像具有标注信息,上述样本图像的标注信息是利用根据本公开上述的装置得到的;以及,第三获得模块,用于利用上述样本图像和上述样本图像的标注信息训练深度学习模型,得到图像处理模型。
根据本公开的另一方面,提供了一种图像处理装置,包括:第三获取模块,用于获取待处理图像;以及,第四获得模块,用于将上述待处理图像输入图像处理模型,得到图像处理结果,其中,上述图像处理模型是利用根据本公开上述的装置训练的。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,上述存储器存储有可被上述至少一个处理器执行的指令,上述指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行如上所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,上述计算机指令用于使上述计算机执行如上所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现如上所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开实施例的可以应用图像标注方法、指针表计图像的标注方法、深度学习模型的训练方法、图像处理方法及装置的示例性系统架构;
图2示意性示出了根据本公开实施例的图像标注方法的流程图;
图3A示意性示出了根据本公开实施例的图像标注方法的示例示意图;
图3B示意性示出了根据本公开另一实施例的图像标注方法的示例示意图;
图3C示意性示出了根据本公开实施例的根据测试图像的特征向量,得到测试图像的特征信息的示例示意图;
图3D示意性示出了根据本公开另一实施例的根据测试图像的特征向量,得到测试图像的特征信息的示例示意图;
图3E示意性示出了根据本公开实施例的确定测试图像的特征信息的示例示意图;
图3F示意性示出了根据本公开实施例的根据测试图像的特征信息和与测试图像对应的模板图像的特征信息,确定测试图像和模板图像之间的变换信息的示例示意图;
图3G示意性示出了根据本公开另一实施例的根据测试图像的特征信息和与测试图像对应的模板图像的特征信息,确定测试图像和模板图像之间的变换信息的示例示意图;
图4示意性示出了根据本公开实施例的指针表计图像的标注方法的流程图。
图5A示意性示出了根据本公开实施例的模板指针表计图像的示例示意图;
图5B示意性示出了根据本公开实施例的目标指针表计图像的标注信息和模板指针表计图像的标注信息的示例示意图;
图6示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图;
图7示意性示出了根据本公开实施例的图像处理方法的流程图;
图8示意性示出了根据本公开实施例的图像标注装置的框图;
图9示意性示出了根据本公开实施例的指针表计图像的标注装置的框图;
图10示意性示出了根据本公开实施例所述的深度学习模型的训练装置的框图;
图11示意性示出了根据本公开实施例所述的图像处理装置的框图;以及
图12示意性示出了根据本公开实施例的适于实现图像标注方法、指针表计图像的标注方法、深度学习模型的训练方法和图像处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
针对图像标注,可以利用交互式标注工具来实现。可以利用交互式标注工具对图像进行标注,得到图像的标注信息,再通过人工对标注信息进行修正。由此,使得图像标注耗费较多的时间和人力,影响了标注效率。
为此,本公开提出了一种图像标注方案。例如,确定测试图像的特征信息。特征信息可以包括特征点的特征点信息和特征点描述符信息。根据测试图像的特征信息和与测试图像对应的模板图像的特征信息,确定模板图像和测试图像之间的变换信息。根据变换信息和模板图像的标注信息,得到测试图像的标注信息。
根据本公开的实施例,由于根据模板图像和测试图像各自的特征信息,确定模板图像和测试图像之间的变换信息,再根据变换信息和模板图像的标注信息,得到测试图像的标注信息,因此,实现了对测试图像的自动标注,并且标注准确性较高,由此,无需再通过人工对标注结果进行修改,降低了标注成本和提高了标注效率。
图1示意性示出了根据本公开实施例的可以应用图像标注方法、指针表计图像的标注方法、深度学习模型的训练方法、图像处理方法及装置的示例性系统架构。
需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如,在另一实施例中,可以应用图像标注方法、指针表计图像的标注方法、深度学习模型的训练方法、图像处理方法及装置的示例性系统架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的图像标注方法、指针表计图像的标注方法、深度学习模型的训练方法、图像处理方法及装置。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型。例如,有线和无线通信链路等中的至少之一。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用。例如,知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和社交平台软件等中的至少之一。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备。例如,电子设备可以包括智能手机、平板电脑、膝上型便携计算机和台式计算机等中的至少之一。
服务器105可以是提供各种服务的服务器。例如,服务器105可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(Virtual Private Server,虚拟专用服务器)中,存在的管理难度大,业务扩展性弱的缺陷。
需要说明的是,本公开实施例所提供的图像标注方法、指针表计图像的标注方法和图像处理方法一般可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的图像标注装置、指针表计图像的标注装置和图像处理装置也可以设置于终端设备101、102、或103中。
备选地,本公开实施例所提供的图像标注方法、指针表计图像的标注方法和图像处理方法一般也可以由服务器105执行。相应地,本公开实施例所提供的图像标注装置、指针表计图像的标注装置和图像处理装置一般可以设置于服务器105中。本公开实施例所提供的图像标注方法、指针表计图像的标注方法和图像处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的图像标注装置、指针表计图像的标注装置和图像处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
需要说明的是,本公开实施例所提供的深度学习模型的训练方法一般可以由服务器105执行。相应地,本公开实施例所提供的深度学习模型的训练装置一般可以设置于服务器105中。本公开实施例所提供的深度学习模型的训练方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的深度学习模型的训练装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
备选地,本公开实施例所提供的深度学习模型的训练方法一般也可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的深度学习模型的训练装置也可以设置于终端设备101、102、或103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
应注意,以下方法中各个操作的序号仅作为该操作的表示以便描述,而不应被看作表示该各个操作的执行顺序。除非明确指出,否则该方法不需要完全按照所示顺序来执行。
图2示意性示出了根据本公开实施例的图像标注方法的流程图。
如图2所示,该方法200包括操作S210~S230。
在操作S210,确定测试图像的特征信息。特征信息可以包括特征点的特征点信息和特征点描述符信息。
在操作S220,根据测试图像的特征信息和与测试图像对应的模板图像的特征信息,确定模板图像和测试图像之间的变换信息。
在操作S230,根据变换信息和模板图像的标注信息,得到测试图像的标注信息。
根据本公开的实施例,测试图像可以指需要进行标注的图像。模板图像可以指已被标注的图像。与测试图像对应的模板图像可以指与测试图像之间的相似度大于或等于第一预定相似度阈值的图像。第一预定相似度阈值可以根据实际业务需求进行配置,在此不作限定。例如,测试图像和与测试图像对应的模板图像是针对同一产品的图像。此外,模板图像的图像质量评估值可以满足预定图像质量条件。图像质量评估值可以包括以下至少之一:图像清晰度值、图像方位值、像素均值、像素标准差、像素平均梯度和图像熵。图像清晰度值可以包括以下至少之一:离散余弦变换(Discrete Cosine Transformer,DCT)系数和调制传递函数(Modulation Transfer Function,MTF)值。图像方位值可以指用于评估图像的正面程度的值。预定图像质量条件可以包括图像质量评估值满足预定图像质量评估阈值。预定图像质量评估阈值可以根据实际业务需求进行配置,在此不作限定。
根据本公开的实施例,产品可以包括以下至少之一:工业产品、娱乐产品、体育产品、生活产品、工作产品和学习产品等。工业产品可以包括智能制造产品。例如,智能制造产品可以包括智能仪表。智能仪表可以包括以下至少之一:指针表计和数显表计。图像可以包括以下至少之一:与工业产品对应的图像(即工业产品图像)、与娱乐产品对应的图像(即娱乐产品图像)、与体育产品对应的图像(即体育产品图像)、与生活产品对应的图像(即生活产品图像)、与工作产品对应的图像(即工作产品图像)和与学习产品对应的图像(即学习产品图像)等。工业产品图像可以包括智能制造产品图像。例如,智能制造产品图像可以包括智能仪表图像。智能仪表图像可以包括以下至少之一:指针表计图像和数显表计图像。
根据本公开的实施例,测试图像可以包括以下至少之一:与工业产品对应的测试图像、与娱乐产品对应的测试图像、与体育产品对应的测试图像、与生活产品对应的测试图像、与工作产品对应的测试图像和与学习产品对应的测试图像等。与工业产品对应的测试图像可以包括与智能制造产品对应的测试图像。
根据本公开的实施例,模板图像可以包括以下至少之一:与工业产品对应的模板图像、与娱乐产品对应的模板图像、与体育产品对应的模板图像、与生活产品对应的模板图像、与工作产品对应的模板图像和与学习产品对应的模板图像等。与工业产品对应的模板图像可以包括与智能制造产品对应的模板图像。
根据本公开的实施例,特征点可以指反映目标对象的不变特征的像素和像素块中的至少之一。特征点可以出现在图像中拐角或者纹理剧烈变化等位置。特征点可以包括角点、斑点和端点等。特征点信息可以指用于描述特征点的信息。特征点信息可以包括以下至少之一:位置信息、尺度信息和方向信息。特征点描述符信息可以用于作为确定两个特征点是否是匹配特征点对的依据。
根据本公开的实施例,标注信息的形式可以根据实际业务需求进行配置,在此不作限定。例如,标注信息的形式可以根据标注对象的位置确定。模板图像的标注信息可以是人工对模板图像进行标注得到的。备选地,模板图像的标注信息可以是利用标注工具对模板图像进行标注得到的。标注工具可以包括以下至少之一:非交互式标注工具和交互式标注工具。非交互式标注工具可以包括以下至少之一:Labelme标注工具和LabelImg标注工具。交互式标注工具可以包括EISeg标注工具。
根据本公开的实施例,变换信息可以用于表征测试图像的特征点与模板图像的特征点之间的映射关系。变换关系可以用变换矩阵来表征。变换矩阵可以包括单应性矩阵。
根据本公开的实施例,可以对测试图像进行特征信息提取,得到测试图像的特征信息。例如,可以是基于特征信息提取方法对测试图像进行特征信息提取,得到测试图像的特征信息。模板图像的特征信息可以是对模板图像进行特征信息提取得到的。例如,模板图像的特征信息可以是基于特征信息提取方法对模板图像进行特征信息提取得到的。模板图像的特征信息可以是预先基于特征信息提取方法对模板图像进行特征信息提取得到的。备选地,模板图像的特征信息可以是在需要确定测试图像的特征信息的情况下,再基于特征信息提取方法对模板图像进行特征信息提取得到的。特征信息提取方法可以包括以下至少之一:传统特征信息提取方法和基于深度学习的特征信息提取方法。传统特征信息提取方法可以包括以下至少之一:SIFT(Scale Invariant Feature Transform,尺度不变性特征转换)、SURF(Speeded Up Robust Features,加速鲁棒性特征)和ORB(即Oriented FASTand Rotated BRIEF)等。基于深度学习的特征信息提取方法可以包括以下至少之一:基于D2-Net的特征信息提取方法和基于R2D2的特征信息提取方法等。
根据本公开的实施例,可以基于特征点匹配方法,根据测试图像和模板图像各自的特征信息,确定测试图像和模板图像之间的变换信息。特征点匹配方法可以包括以下至少之一:传统特征点匹配方法和基于深度学习的特征点匹配方法。
根据本公开的实施例,在确定测试图像和模板图像之间的变换信息之后,可以根据变换信息和模板图像的标注信息来确定测试图像的标注信息。例如,可以基于变换信息将模板图像的标注信息映射至测试图像,得到测试图像的标注信息。
根据本公开的实施例,由于根据模板图像和测试图像各自的特征信息,确定模板图像和测试图像之间的变换信息,再根据变换信息和模板图像的标注信息,得到测试图像的标注信息,因此,实现了对测试图像的自动标注,并且标注准确性较高,由此,无需再通过人工对标注结果进行修改,降低了标注成本和提高了标注效率。
根据本公开的实施例,操作S210可以包括如下操作。
对测试图像进行特征提取,得到测试图像的特征向量。根据特征向量,得到测试图像的特征信息。
根据本公开的实施例,可以对测试图像进行特征提取,得到测试图像的特征向量。对测试图像的特征向量进行处理,得到测试图像的特征信息。例如,可以对测试图像的特征向量进行解码,得到测试图像的特征信息。
根据本公开的实施例,模板图像的特征信息可以是根据模板图像的特征向量得到的。模板图像的特征向量可以是对模板图像进行特征提取得到的。模板图像的特征信息可以是对模板图像的特征向量进行处理得到的。例如,模板图像的特征信息可以是对模板图像的特征向量进行解码得到的。
根据本公开的实施例,测试图像的特征向量可以是利用特征信息提取模型处理测试图像得到的。模板图像的特征向量可以是利用特征信息提取模型处理模板图像得到的。特征信息提取模型可以是利用样本图像对和样本图像对的真实样本特征信息训练第一深度学习模型得到的。样本图像对可以包括第一样本图像和第二样本图像。第二样本图像可以是对第一样本图像进行单应性变换得到的。样本图像对的真实样本特征信息可以包括第一真实样本特征信息和第二真实样本特征信息。第一真实样本特征信息可以是第一样本图像的真实样本特征信息。第二真实样本特征信息可以是第二样本图像的真实样本特征信息。第一真实样本特征信息可以包括第一样本图像的真实特征点的真实特征点信息和真实特征点描述符信息。第二真实样本特征信息可以包括第二样本图像的真实特征点的真实特征点信息和真实特征点描述符信息。
根据本公开的实施例,第一深度学习模型可以包括第一深度学习子模块和第二深度学习子模型。第一深度学习子模型可以包括第一编码器和第一解码器。第一解码器可以包括第二解码器和第三解码器。第二深度学习模型可以包括第二编码器和第四解码器。第四解码器可以包括第五解码器和第六解码器。在第一深度学习模型过程中,第一深度学习子模型和第二深度学习子模型的模型参数的数值保持一致。特征信息提取模型可以是经训练的第一深度学习子模型和经训练的第二深度学习子模型中的其中之一,例如,特征信息提取模型可以包括经训练的第一编码器和第一解码器。备选地,特征信息提取模型可以包括经训练的第二编码器和第四解码器。
根据本公开的实施例,特征信息提取模型可以是利用样本图像对和样本图像对的真实样本特征信息训练第一深度学习模型得到的,可以包括:特征信息提取模型可以是根据损失函数值调整第一深度学习模型的模型参数得到的。损失函数值可以是根据第一损失函数值、第二损失函数值和第三损失函数值确定的。第一损失函数值可以是基于第一损失函数,根据第一样本图像的真实特征点的真实特征点信息和第一样本图像的预测特征点的预测特征点信息得到的。第二损失函数值可以是基于第一损失函数,根据第二样本图像的真实特征点的真实特征点信息和第二样本图像的预测特征点的预测特征点描述符信息得到的。第三损失函数值可以是基于第二损失函数,根据第一样本图像的真实特征点的真实特征点描述符信息、第一样本图像的真实特征点的预测特征点描述符信息、第二样本图像的真实特征点的真实特征点描述符信息和第二样本图像的真实特征点的预测特征点描述符信息得到的。
根据本公开的实施例,第一样本图像的预测特征点的预测特征点信息可以是利用第一解码器处理第一样本图像的预测特征向量得到的。第一样本图像的预测特征点的预测特征点描述符信息可以是利用第二解码器处理第一样本图像的预测特征向量得到的。第一样本图像的预测特征向量可以是利用第一编码器处理第一样本图像得到的。
根据本公开的实施例,第二样本图像的预测特征点的预测特征点信息可以是利用第三解码器处理第二样本图像的预测特征向量得到的。第二样本图像的预测特征点的预测特征点描述符信息可以是利用第四解码器处理第二样本图像的预测特征向量得到的。第二样本图像的预测特征向量可以是利用第二编码器处理第二样本图像得到的。
根据本公开的实施例,第一真实样本特征信息可以是利用特征点提取模型处理第一样本图像得到的。第二真实样本特征信息可以是利用特征点提取模型处理第二样本图像得到的。特征点提取模型可以是利用合成数据训练第二深度学习模型得到的。合成数据可以包括以下至少之一:角点和端点等。
根据本公开的实施例,根据特征向量,得到测试图像的特征信息,可以包括如下操作。
对特征向量进行第一解码,得到测试图像的特征点的特征点信息。对特征向量进行第二解码,得到测试图像的特征点的特征点描述符信息。
根据本公开的实施例,可以利用特征信息提取模型的经训练的第二解码器处理测试图像的特征向量,得到测试图像的特征点的特征点信息。可以利用特征信息提取模型的经训练的第三解码器处理测试特征的特征向量,得到测试图像的特征点的特征点描述符信息。
根据本公开的实施例,模板图像的的特征点的特征点信息可以是利用特征信息提取模型的经训练的第二解码器处理模板图像的特征向量得到的。模板图像的特征点的特征点描述符信息可以是利用特征信息提取模型的经训练的第三解码器处理模板图像的特征向量得到的。
根据本公开的实施例,操作S210可以包括如下操作。
对测试图像进行特征点信息提取,得到测试图像的特征点的特征点信息。根据测试图像的特征点的特征点信息,得到测试图像的特征点的特征点描述符信息。
根据本公开的实施例,可以利用传统特征信息提取方法处理测试图像,得到测试图像的特征信息。可以利用传统特征信息提取方法处理模板图像,得到模板图像的特征信息。
例如,可以对测试图像进行特征点信息提取,得到测试图像的特征点的特征点信息。特征点的特征信息可以包括特征点的位置信息和尺度信息。根据特征点的特征信息,确定特征点的方向信息。根据特征点的方向信息,得到测试图像的特征点的特征点描述符信息。
例如,可以对测试图像进行特征点信息提取,得到测试图像的特征点的特征点信息。根据特征点的特征点信息,确定特征点的主方向。
例如,可以对测试图像进行特征点信息提取,得到测试图像的特征点的特征点信息。基于特征点的特征点信息,利用BRIEF(即Binary Robust Independent ElementaryFeatures)对特征点进行描述,得到测试图像的特征点的特征点描述信息。
根据本公开的实施例,操作S220可以包括如下操作。
基于传统特征点匹配方法,根据模板图像的特征点的特征点描述符信息和测试图像的特征点的特征点描述符信息,确定模板图像和测试图像之间的特征点匹配结果。根据特征点匹配结果,得到模板图像和测试图像之间的变换信息。
根据本公开的实施例,传统特征点匹配方法可以包括以下至少之一:快速最近邻搜索方法、随机样本共识方法、随机K-D树方法和图形变换匹配方法等。
根据本公开的实施例,特征点匹配结果可以包括测试图像和模板图像之间的匹配特征点对。匹配特征点对可以包括第一匹配特征点和第二匹配特征点。第一匹配特征点可以是测试图像的特征点。第二匹配特征点可以是模板图像的特征点。根据匹配特征点对的特征点信息,得到测试图像和模板图像之间的变换信息。例如,根据第一匹配特征点的特征点信息和第二匹配特征点的特征点信息,得到测试图像和模板图像之间的变换信息。
根据本公开的实施例,操作S220可以包括如下操作。
基于注意力图学习方法,根据测试图像的特征信息和与测试图像对应的模板图像的特征信息,得到模板图像和测试图像各自的特征点的匹配描述符信息。根据匹配描述符信息,确定模板图像和测试图像之间的匹配度评估矩阵。根据匹配度评估矩阵,确定模板图像和测试图像之间的变换信息。
根据本公开的实施例,特征点的匹配描述符信息可以是基于注意力图学习方法,根据特征点的特征点信息和特征点描述符信息确定的。匹配描述符信息可以包括匹配描述符矩阵。
根据本公开的实施例,匹配度评估矩阵可以用于评估测试图像的特征点和模板图像的特征点之间的匹配程度。
根据本公开的实施例,可以利用特征点匹配模型处理测试图像的特征信息和模板图像的特征信息,得到模板图像和测试图像之间的变换信息。特征点匹配模型可以是利用第二样本图像对训练第二深度学习模型得到的。第二样本图像对可以包括第三样本图像和第四样本图像。第二深度学习模型的模型结构可以根据实际业务需求进行配置,在此不作限定。例如,第二深度学习模型可以包括第三编码器和图神经网络模块。图神经网络模块可以包括基于注意力策略的图神经网络模块。
根据本公开的实施例,由于基于注意力图学习方法来确定模板图像和测试图像之间的匹配描述符信息,不仅考虑了特征点自身的特征点描述符信息,还考虑了各个特征点彼此之间的几何关系与约束,因此,提高了变换信息的准确性。
根据本公开的实施例,基于注意力图学习方法,根据测试图像的特征信息和与测试图像对应的模板图像的特征信息,得到模板图像和测试图像各自的特征点的匹配描述符信息,可以包括如下操作。
分别对模板图像和测试图像各自的特征点的特征点信息进行特征提取,得到模板图像和测试图像各自的特征点的中间特征点信息。根据模板图像的特征点的中间特征点信息和特征点描述符信息,得到模板图像的特征点的融合信息。根据测试图像的特征点的中间特征点信息和特征点描述符信息,得到测试图像的特征点的融合信息。基于注意力图学习方法,根据模板图像和测试图像各自的特征点的融合信息,得到模板图像和测试图像各自的特征点的匹配描述符信息。
根据本公开的实施例,可以对测试图像的特征点的特征点信息进行特征提取,得到测试图像的特征点的中间特征点信息。可以对模板图像的特征点的特征点信息进行特征提取,得到模板图像的特征点的中间特征点信息。可以将测试图像的特征点的中间特征点信息和特征点描述符信息进行融合,得到测试图像的特征点的融合信息。可以将模板图像的特征点的中间特征点信息和特征点描述符信息进行融合,得到模板图像的特征点的融合信息。
根据本公开的实施例,可以利用第三编码器处理测试图像的特征点的中间特征点信息和特征点描述符信息,得到测试图像的特征点的融合信息。可以利用第三编码器处理模板图像的特征点的中间特征点信息和特征点描述符信息,得到模板图像的特征点的融合信息。
根据本公开的实施例,基于注意力策略的图神经网络方法处理模板图像和测试图像各自的特征点的融合信息,得到模板图像和测试图像各自的特征点的匹配描述符信息。注意力策略可以包括自注意力策略和交叉注意力策略。
例如,可以利用基于注意策略的图神经网络模块处理模板图像和测试图像各自的特征点的融合信息,得到模板图像和测试图像各自的特征点的匹配描述符信息。
根据本公开的实施例,根据模板图像和测试图像各自的特征点的匹配描述符信息,确定模板图像和测试图像之间的匹配度评估矩阵,可以包括如下操作。
根据模板图像的特征点的匹配描述符信息和测试图像的特征点的匹配描述符信息,确定模板图像的特征点和测试图像的特征点之间的相似度。根据模板图像的特征点和测试图像的特征点之间的相似度,得到模板图像和测试图像之间的匹配度评估矩阵。
根据本公开的实施例,相似度可以表征两个特征点之间的相似程度。相似度的数值和相似程度的关系可以根据实际业务需求进行配置,在此不作限定。例如,相似度的数值越大,可以表征两个特征点之间的相似程度越大。反之,两个特征点之间的相似程度越小。备选地,相似度的数值越小,可以表征两个特征点之间的相似程度越大。反之,两个特征点之间的相似程度越小。相似度可以根据实际业务需求进行配置,在此不作限定。例如,相似度可以包括余弦相似度、皮尔逊相关系数、欧式距离和Jaccard距离等中的其中之一。
根据本公开的实施例,根据匹配度评估矩阵,确定模板图像和测试图像之间的变换信息,可以包括如下操作。
基于最优传输方法处理匹配度评估矩阵,得到分配矩阵。根据分配矩阵,确定模板图像和测试图像之间的变换信息。
根据本公开的实施例,最优传输方法可以包括以下之一:Sinkhorn方法和熵正则化方法。
根据本公开的实施例,操作S230可以包括如下操作。
基于变换信息,将模板图的标注信息映射至测试图像,得到测试图像的标注信息。
根据本公开的实施例,变换信息可以包括单应性变换矩阵。单应性变换矩阵可以表征同一平面的点在不同图像之间的映射关系。可以根据测试图像和模板图像之间的单应性变换矩阵,将模板图像的标注信息映射至测试图像,得到测试图像的标注信息。
根据本公开的实施例,模板图像可以包括与工业产品对应的模板图像。测试图像可以包括与工业产品对应的测试图像。
下面参考图3A~图3G,结合具体实施例对根据本公开实施例所述的图像标注方法做进一步说明。
图3A示意性示出了根据本公开实施例的图像标注方法的示例示意图。
如图3A所示,在300A中,可以确定测试图像301的特征信息,得到测试图像的特征信息302。基于注意力图学习方法,根据测试图像的特征信息302,得到测试图像的特征点的匹配描述符信息304。基于注意力图学习方法,根据与测试图像对应的模板图像的特征信息303,得到模板图像的特征点的匹配描述符信息305。
根据测试图像的特征点的匹配描述符信息304和模板图像的特征点的匹配描述符信息305,确定测试图像301和模板图像之间的匹配度评估矩阵306。基于最优传输方法处理匹配度评估矩阵306,得到分配矩阵307。根据分配矩阵307,确定测试图像301和模板图像之间的变换信息309。基于变换信息309,将模板图像的标注信息308映射至测试图像,得到测试图像的标注信息310。
图3B示意性示出了根据本公开另一实施例的图像标注方法的示例示意图。
如图3B所示,在300B中,确定测试图像311的特征信息,得到测试图像的特征信息312。测试图像的特征信息312可以包括测试图像的特征点的特征点描述符信息。与测试图像对应的模板图像的特征信息313可以包括模板图像的特征点的特征点描述符信息。
基于传统特征点匹配方法,根据测试图像的特征点的特征点描述信息和模板图像的特征点的特征点描述符信息,确定测试图像311和模板图像之间的特征点匹配结果314。根据特征点匹配结果314,得到测试图像和模板图像之间的变换信息315。基于变换信息315,将模板图像的标注信息316映射至测试图像,得到测试图像的标注信息317。
图3C示意性示出了根据本公开实施例的根据测试图像的特征向量,得到测试图像的特征信息的示例示意图。
如图3C所示,在300C中,对测试图像318进行特征提取,得到测试图像的特征向量319。根据测试图像的特征向量319,得到测试图像的特征信息320。测试图像的特征信息320可以包括测试图像的特征点的特征点信息320_1和特征点的特征点描述符信息320_2。特征点信息320_1可以是对特征向量319进行第一解码得到的。特征点描述符信息320_2可以是对特征向量319进行第二解码得到的。
图3D示意性示出了根据本公开另一实施例的根据测试图像的特征向量,得到测试图像的特征信息的示例示意图。
如图3D所示,在300D中,特征信息提取模型321可以包括经训练的第一编码器321_1、经训练的第二解码器321_2和经训练的第三解码器321_3。测试图像的特征信息324可以包括测试图像的特征点的特征点信息324_1和特征点的特征点描述符信息324_2。
可以利用第一编码器321_1处理测试图像322,得到测试图像322的特征向量323。可以利用第二解码器321_2处理特征向量323,得到测试图像的特征点的特征点信息324_1。可以利用第三解码器321_2处理特征向量323,得到测试图像的特征点的特征点描述符信息324_2。
图3E示意性示出了根据本公开实施例的确定测试图像的特征信息的示例示意图。
如图3E所示,在300E中,对测试图像325进行特征点信息提取,得到测试图像的特征点信息326。根据测试图像的特征点信息326,得到测试图像的特征点描述符信息327。
图3F示意性示出了根据本公开实施例的根据测试图像的特征信息和与测试图像对应的模板图像的特征信息,确定测试图像和模板图像之间的变换信息的示例示意图。
如图3F所示,在300F中,测试图像的特征信息328可以包括测试图像的特征点的特征点信息328_1和测试图像的特征点的特征点描述符信息328_2。模板图像的特征信息332可以包括模板图像的特征点的特征点信息332_1和模板图像的特征点的特征点描述符信息332_2。
对测试图像的特征点的特征点信息328_1进行特征提取,得到测试图像的特征点的中间特征点信息329。根据测试图像的特征点的中间特征点信息329和特征点描述符信息328_2,得到测试图像的特征点的融合信息330。基于注意力图学习方法,根据测试图像的特征点的融合信息330,得到测试图像的特征点的匹配描述符信息331。
对模板图像的特征点的特征点信息332_1进行特征提取,得到模板图像的特征点的中间特征点信息333。根据模板图像的特征点的中间特征点信息333和特征点描述符信息332_2,得到模板图像的特征点的融合信息334。基于注意力图学习方法,根据模板图像的特征点的融合信息334,得到模板图像的特征点的匹配描述符信息335。
根据测试图像的特征点的匹配描述符信息331和模板图像的特征点的匹配描述符信息335,确定测试图像和模板图像之间的匹配度评估矩阵336。根据匹配度评估矩阵336,确定测试图像和模板图像之间的变换信息337。
图3G示意性示出了根据本公开另一实施例的根据测试图像的特征信息和与测试图像对应的模板图像的特征信息,确定测试图像和模板图像之间的变换信息的示例示意图。
如图3G所示,在300G中,基于传统特征点匹配方法,根据测试图像的特征点的特征点描述符信息338和模板图像的特征点的特征点描述符信息339,确定测试图像和模板图像之间的特征点匹配结果340。根据特征点匹配结果340,得到测试图像和模板图像之间的变换信息341。
图4示意性示出了根据本公开实施例的指针表计图像的标注方法的流程图。
如图4所示,该方法400包括操作S410~S420。
在操作S410,获取目标指针表计图像。
在操作S420,对目标指针表计图像进行标注,得到目标指针表计图像的标注信息。
根据本公开的实施例,目标指针表计的标注信息是利用根据本公开实施例所述的图像标注方法得到的。
根据本公开的实施例,工业产品可以包括指针表计。指针表计可以应用于电力产业和水利产业等。指针表计可以包括子表盘区域和刻度区域。目标指针表计图像可以指与目标指针表计对应的测试图像。目标指针图像的标注信息可以包括针对目标指针表计的目标子表盘区域的标注信息和目标关键刻度的标注信息。标注信息的形式可以根据标注对象的位置确定。例如,针对目标子表盘区域的标注信息的形式可以是标注框。针对目标关键刻度的标注信息的形式可以是标注点。
根据本公开的实施例,在测试图像是与目标指针表计对应的测试图像(即目标指针表计图像)的情况下,可以确定目标指针表计图像的特征信息。目标指针表计图像的特征信息可以包括特征点的特征点信息和特征点描述符信息。根据目标指针表计图像的特征信息和与目标指针表计图像对应的模板指针表计图像的特征信息,确定模板指针表计图像和目标指针表计图像之间的变换信息。根据模板指针表计图像和目标指针表计图像之间的变换信息和模板指针表计图像的标注信息,得到目标指针表计图像的标注信息。
根据本公开的实施例,由于根据模板指针表计图像和目标指针表计图像各自的特征信息,确定模板指针表计图像和目标指针表计图像之间的变换信息,再根据模板指针表计图像和目标指针表计图像之间的变换信息和模板指针表计图像的标注信息,得到目标指针表计图像的标注信息,因此,实现了对目标指针表计图像的自动标注,并且标注准确性较高,由此,无需再通过人工对标注结果进行修改,降低了标注成本和提高了标注效率。
下面参考图5A~图5B,结合具体实施例对根据本公开实施例所述的指针表计图像的标注方法做进一步说明。
图5A示意性示出了根据本公开实施例的模板指针表计图像的示例示意图。
如图5A所示,在500A中,模板图像501。模板指针表计图像501可以包括模板子表盘区域和模板刻度区域。
图5B示意性示出了根据本公开实施例的目标指针表计图像的标注信息和模板指针表计图像的标注信息的示例示意图。
如图5B所示,在500B中,模板指针表计图像502的标注信息503可以包括标注信息503_1和标注信息503_2。目标指针表计图像504的标注信息505可以包括标注信息505_1和标注信息505_2。标注信息505_1是基于目标指针表计图像504和模板指针表计图像502之间的变换信息,将标注信息503_1映射至目标指针表计图像504得到的。标注信息505_2是基于目标指针表计图像504和模板指针表计图像502之间的变换信息,将标注信息503_2映射至目标指针表计图像504得到的。
图6示意性示出了根据本公开实施例的深度学习模型的训练方法的流程图。
如图6所示,该方法600包括操作S610~S620。
在操作S610,获取样本图像。
在操作S620,利用样本图像和样本图像的标注信息训练深度学习模型,得到图像处理模型。
根据本公开的实施例,样本图像可以是根据本公开实施例所述的图像标注方法得到的。
根据本公开的实施例,深度学习模型可以是第三深度学习模型。样本图像可以指第五样本图像。第三深度学习模型的模型结构可以根据实际业务需求进行配置,在此不作限定。例如,第三深度学习模型可以包括以下至少之一:用于实现图像识别的深度学习模型、用于实现目标检测的深度学习模型和用于实现图像分类的深度学习模型。图像识别可以指针对工业产品的图像识别。工业产品可以包括工业质检的产品。目标检测可以指针对工业产品的目标检测。图像分类可以指针对工业产品的目标分类。
图7示意性示出了根据本公开实施例的图像处理方法的流程图。
如图7所示,该方法700包括操作S710~S720。
在操作S710,获取待处理图像。
在操作S720,将待处理图像输入图像处理模型,得到图像处理结果。
根据本公开的实施例,图像处理模型是根据本公开实施例所述的深度学习模型的训练方法得到的。
根据本公开的实施例,待处理图像可以包括与工业产品对应的待处理图像。工业产品可以包括工业质检的产品。例如,工业产品可以包括指针表计。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
以上仅是示例性实施例,但不限于此,还可以包括本领域已知的其他图像标注方法、深度学习模型的训练方法和图像处理方法,只要能够降低标注成本和提高标注效率即可。
图8示意性示出了根据本公开实施例的图像标注装置的框图。
如图8所示,图像标注装置800可以包括第一确定模块810、第二确定模块820和第一获得模块830。
第一确定模块810,用于确定测试图像的特征信息。特征信息包括特征点的特征点信息和特征点描述符信息。
第二确定模块820,用于根据测试图像的特征信息和与测试图像对应的模板图像的特征信息,确定模板图像和测试图像之间的变换信息。
第一获得模块830,用于根据变换信息和模板图像的标注信息,得到测试图像的标注信息。
根据本公开的实施例,第一确定模块810可以包括第一获得子模块和第二获得子模块。
第一获得子模块,用于对测试图像进行特征提取,得到测试图像的特征向量。
第二获得子模块,用于根据特征向量,得到测试图像的特征信息。
根据本公开的实施例,第二获得子模块可以包括第一获得单元和第二获得单元。
第一获得单元,用于对特征向量进行第一解码,得到测试图像的特征点的特征点信息。
第二获得单元,用于对特征向量进行第二解码,得到测试图像的特征点的特征点描述符信息。
根据本公开的实施例,第一确定模块810可以包括第三获得子模块和第四获得子模块。
第三获得子模块,用于对测试图像进行特征点的特征点信息提取,得到测试图像的特征点的特征点信息。
第四获得子模块,用于根据测试图像的特征点的特征点信息,得到测试图像的特征点的特征点描述符信息。
根据本公开的实施例,第二确定模块820可以包括第一确定子模块和第五获得子模块。
第一确定子模块,用于基于传统特征点匹配方法,根据模板图像的特征点的特征点描述符信息和测试图像的特征点的特征点描述符信息,确定模板图像和测试图像之间的特征点匹配结果。
第五获得子模块,用于根据特征点匹配结果,得到模板图像和测试图像之间的变换信息。
根据本公开的实施例,第二确定模块820可以包括第六获得自造模块、第二确定子模块和第三确定子模块。
第六获得子模块,用于基于注意力图学习方法,根据测试图像的特征信息和与测试图像对应的模板图像的特征信息,得到模板图像和测试图像各自的特征点的匹配描述符信息。
第二确定子模块,用于根据模板图像和测试图像各自的特征点的匹配描述符信息,确定模板图像和测试图像之间的匹配度评估矩阵。
第三确定子模块,用于根据匹配度评估矩阵,确定模板图像和测试图像之间的变换信息。
根据本公开的实施例,第六获得子模块可以包括第三获得单元、第四获得单元、第五获得单元和第六获得单元。
第三获得单元,用于分别对模板图像和测试图像各自的特征点的特征点信息进行特征提取,得到模板图像和测试图像各自的特征点的中间特征点信息。
第四获得单元,用于根据模板图像的特征点的中间特征点信息和特征点描述符信息,得到模板图像的特征点的融合信息。
第五获得单元,用于根据测试图像的特征点的中间特征点信息和特征点描述符信息,得到测试图像的特征点的融合信息。
第六获得单元,用于基于注意力图学习方法,根据模板图像和测试图像各自的特征点的融合信息,得到模板图像和测试图像各自的特征点的匹配描述符信息。
根据本公开的实施例,第二确定子模块可以包括确定单元和第七获得单元。
确定单元,用于根据模板图像的特征点的匹配描述符信息和测试图像的特征点的匹配描述符信息,确定模板图像的特征点和测试图像的特征点之间的相似度。
第七获得单元,用于根据模板图像的特征点和测试图像的特征点之间的相似度,得到模板图像和测试图像之间的匹配度评估矩阵。
根据本公开的实施例,第三确定子模块可以包括第七获得子模块和第四确定子模块。
第七获得子模块,用于基于最优传输方法处理匹配度评估矩阵,得到分配矩阵。
第四确定子模块,用于根据分配矩阵,确定模板图像和测试图像之间的变换信息。
根据本公开的实施例,第一获得模块830可以包括第八获得子模块。
第八获得子模块,用于基于变换信息,将模板图的标注信息映射至测试图像,得到测试图像的标注信息。
根据本公开的实施例,模板图像包括与工业产品对应的模板图像。测试图像包括与工业产品对应的测试图像。
图9示意性示出了根据本公开实施例的指针表计图像的标注装置的框图。
如图9所示,指针表计图像的标注装置900包括第一获取模块910和第二获得模块920。
第一获取模块910,用于获取目标指针表计图像。
第二获得模块920,用于对目标指针表计图像进行标注,得到目标指针表计图像的标注信息。
根据本公开的实施例,目标指针表计的标注信息可以是根据本公开实施例所述的图像标注装置得到的。
图10示意性示出了根据本公开实施例的深度学习模型的训练装置的框图。
如图10所示,深度学习模型的训练装置1000可以包括第二获取模块1010和第三获得模块1020。
第二获取模块1010,用于获取样本图像。样本图像具有标注信息。
第三获得模块1020,用于利用样本图像和样本图像的标注信息训练深度学习模型,得到图像处理模型。
根据本公开实施例,样本图像的标注信息可以是根据本公开实施例的图像标注装置训练得到的。
图11示意性示出了根据本公开实施例的图像处理装置的框图。
如图11所示,图像处理装置1100可以包括第三获取模块1110和第四获得模块1120。
第三获取模块1110,用于获取待处理图像。
第四获得模块1120,用于将待处理图像输入图像处理模型,得到图像处理结果。
根据本公开的实施例,图像处理模型可以是根据本公开实施例的深度学习模型的训练述装置训练的。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上所述的方法。
根据本公开的实施例,一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行如上所述的方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如上所述的方法。
图12示意性示出了根据本公开实施例的适于实现图像标注方法、指针表计图像的标注方法、深度学习模型的训练方法和图像处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,电子设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储电子设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
电子设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许电子设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如,图像标注方法、指针表计图像的标注方法、深度学习模型的训练方法和图像处理方法。例如,在一些实施例中,图像标注方法、指针表计图像的标注方法、深度学习模型的训练方法和图像处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到电子设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的图像标注方法、指针表计图像的标注方法、深度学习模型的训练方法和图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行图像标注方法、指针表计图像的标注方法、深度学习模型的训练方法和图像处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以是分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (31)
1.一种图像标注方法,包括:
确定测试图像的特征信息,其中,所述特征信息包括特征点的特征点信息和特征点描述符信息;
根据所述测试图像的特征信息和与所述测试图像对应的模板图像的特征信息,确定所述模板图像和所述测试图像之间的变换信息;以及
根据所述变换信息和所述模板图像的标注信息,得到所述测试图像的标注信息。
2.根据权利要求1所述的方法,其中,所述确定测试图像的特征信息,包括:
对所述测试图像进行特征提取,得到所述测试图像的特征向量;以及
根据所述特征向量,得到所述测试图像的特征信息。
3.根据权利要求2所述的方法,其中,所述根据所述特征向量,得到所述测试图像的特征信息,包括:
对所述特征向量进行第一解码,得到所述测试图像的特征点的特征点信息;以及
对所述特征向量进行第二解码,得到所述测试图像的特征点的特征点描述符信息。
4.根据权利要求1所述的方法,其中,所述确定测试图像的特征信息,包括:
对所述测试图像进行特征点信息提取,得到所述测试图像的特征点的特征点信息;以及
根据所述测试图像的特征点的特征点信息,得到所述测试图像的特征点的特征点描述符信息。
5.根据权利要求1~4中任一项所述的方法,其中,所述根据所述测试图像的特征信息和与所述测试图像对应的模板图像的特征信息,确定所述模板图像和所述测试图像之间的变换信息,包括:
基于传统特征点匹配方法,根据所述模板图像的特征点的特征点描述符信息和所述测试图像的特征点的特征点描述符信息,确定所述模板图像和所述测试图像之间的特征点匹配结果;以及
根据所述特征点匹配结果,得到所述模板图像和所述测试图像之间的变换信息。
6.根据权利要求1~4中任一项所述的方法,其中,所述根据所述测试图像的特征信息和与所述测试图像对应的模板图像的特征信息,确定所述模板图像和所述测试图像之间的变换信息,包括:
基于注意力图学习方法,根据所述测试图像的特征信息和与所述测试图像对应的模板图像的特征信息,得到所述模板图像和所述测试图像各自的特征点的匹配描述符信息;
根据所述模板图像和所述测试图像各自的特征点的匹配描述符信息,确定所述模板图像和所述测试图像之间的匹配度评估矩阵;以及
根据所述匹配度评估矩阵,确定所述模板图像和所述测试图像之间的变换信息。
7.根据权利要求6所述的方法,其中,所述基于注意力图学习方法,根据所述测试图像的特征信息和与所述测试图像对应的模板图像的特征信息,得到所述模板图像和所述测试图像各自的特征点的匹配描述符信息,包括:
分别对所述模板图像和所述测试图像各自的特征点的特征点信息进行特征提取,得到所述模板图像和所述测试图像各自的特征点的中间特征点信息;
根据所述模板图像的特征点的中间特征点信息和特征点描述符信息,得到所述模板图像的特征点的融合信息;
根据所述测试图像的特征点的中间特征点信息和特征点描述符信息,得到所述测试图像的特征点的融合信息;以及
基于注意力图学习方法,根据所述模板图像和所述测试图像各自的特征点的融合信息,得到所述模板图像和所述测试图像各自的特征点的匹配描述符信息。
8.根据权利要求6或7所述的方法,其中,所述根据所述模板图像和所述测试图像各自的特征点的匹配描述符信息,确定所述模板图像和所述测试图像之间的匹配度评估矩阵,包括:
根据所述模板图像的特征点的匹配描述符信息和所述测试图像的特征点的匹配描述符信息,确定所述模板图像的特征点和所述测试图像的特征点之间的相似度;以及
根据所述模板图像的特征点和所述测试图像的特征点之间的相似度,得到所述模板图像和所述测试图像之间的匹配度评估矩阵。
9.根据权利要求6~8中任一项所述的方法,其中,所述根据所述匹配度评估矩阵,确定所述模板图像和所述测试图像之间的变换信息,包括:
基于最优传输方法处理所述匹配度评估矩阵,得到分配矩阵;以及
根据所述分配矩阵,确定所述模板图像和所述测试图像之间的变换信息。
10.根据权利要求1~9中任一项所述的方法,其中,所述根据所述变换信息和所述模板图像的标注信息,得到所述测试图像的标注信息,包括:
基于所述变换信息,将所述模板图的标注信息映射至所述测试图像,得到所述测试图像的标注信息。
11.根据权利要求1~10中任一项所述的方法,其中,所述模板图像包括与工业产品对应的模板图像;
所述测试图像包括与所述工业产品对应的测试图像。
12.一种指针表计图像的标注方法,包括:
获取目标指针表计图像;以及
利用根据权利要求1~11中任一项所述的方法对所述目标指针表计图像进行标注,得到所述目标指针表计图像的标注信息。
13.一种深度学习模型的训练方法,包括:
获取样本图像,其中,所述样本图像具有标注信息,所述样本图像的标注信息是利用根据权利要求1~11中任一项所述的方法得到的;以及
利用所述样本图像和所述样本图像的标注信息训练深度学习模型,得到图像处理模型。
14.一种图像处理方法,包括:
获取待处理图像;以及
将所述待处理图像输入图像处理模型,得到图像处理结果,其中,所述图像处理模型是利用根据权利要求13所述的方法训练的。
15.一种图像标注装置,包括:
第一确定模块,用于确定测试图像的特征信息,其中,所述特征信息包括特征点的特征点信息和特征点描述符信息;
第二确定模块,用于根据所述测试图像的特征信息和与所述测试图像对应的模板图像的特征信息,确定所述模板图像和所述测试图像之间的变换信息;以及
第一获得模块,用于根据所述变换信息和所述模板图像的标注信息,得到所述测试图像的标注信息。
16.根据权利要求15所述的装置,其中,所述第一确定模块,包括:
第一获得子模块,用于对所述测试图像进行特征提取,得到所述测试图像的特征向量;以及
第二获得子模块,用于根据所述特征向量,得到所述测试图像的特征信息。
17.根据权利要求16所述的装置,其中,所述第二获得子模块,包括:
第一获得单元,用于对所述特征向量进行第一解码,得到所述测试图像的特征点的特征点信息;以及
第二获得单元,用于对所述特征向量进行第二解码,得到所述测试图像的特征点的特征点描述符信息。
18.根据权利要求15所述的装置,其中,所述第一确定模块,包括:
第三获得子模块,用于对所述测试图像进行特征点信息提取,得到所述测试图像的特征点的特征点信息;以及
第四获得子模块,用于根据所述测试图像的特征点的特征点信息,得到所述测试图像的特征点的特征点描述符信息。
19.根据权利要求15~18中任一项所述的装置,其中,所述第二确定模块,包括:
第一确定子模块,用于基于传统特征点匹配方法,根据所述模板图像的特征点的特征点描述符信息和所述测试图像的特征点的特征点描述符信息,确定所述模板图像和所述测试图像之间的特征点匹配结果;以及
第五获得子模块,用于根据所述特征点匹配结果,得到所述模板图像和所述测试图像之间的变换信息。
20.根据权利要求15~18中任一项所述的装置,其中,所述第二确定模块,包括:
第六获得子模块,用于基于注意力图学习方法,根据所述测试图像的特征信息和与所述测试图像对应的模板图像的特征信息,得到所述模板图像和所述测试图像各自的特征点的匹配描述符信息;
第二确定子模块,用于根据所述模板图像和所述测试图像各自的特征点的匹配描述符信息,确定所述模板图像和所述测试图像之间的匹配度评估矩阵;以及
第三确定子模块,用于根据所述匹配度评估矩阵,确定所述模板图像和所述测试图像之间的变换信息。
21.根据权利要求20所述的装置,其中,所述第六获得子模块,包括:
第三获得单元,用于分别对所述模板图像和所述测试图像各自的特征点的特征点信息进行特征提取,得到所述模板图像和所述测试图像各自的特征点的中间特征点信息;
第四获得单元,用于根据所述模板图像的特征点的中间特征点信息和特征点描述符信息,得到所述模板图像的特征点的融合信息;
第五获得单元,用于根据所述测试图像的特征点的中间特征点信息和特征点描述符信息,得到所述测试图像的特征点的融合信息;以及
第六获得单元,用于基于注意力图学习方法,根据所述模板图像和所述测试图像各自的特征点的融合信息,得到所述模板图像和所述测试图像各自的特征点的匹配描述符信息。
22.根据权利要求20或21所述的装置,其中,所述第二确定子模块,包括:
确定单元,用于根据所述模板图像的特征点的匹配描述符信息和所述测试图像的特征点的匹配描述符信息,确定所述模板图像的特征点和所述测试图像的特征点之间的相似度;以及
第七获得单元,用于根据所述模板图像的特征点和所述测试图像的特征点之间的相似度,得到所述模板图像和所述测试图像之间的匹配度评估矩阵。
23.根据权利要求20~22中任一项所述的装置,其中,所述第三确定子模块,包括:
第七获得子模块,用于基于最优传输方法处理所述匹配度评估矩阵,得到分配矩阵;以及
第四确定子模块,用于根据所述分配矩阵,确定所述模板图像和所述测试图像之间的变换信息。
24.根据权利要求15~23中任一项所述的装置,其中,所述第一获得模块,包括:
第八获得子模块,用于基于所述变换信息,将所述模板图的标注信息映射至所述测试图像,得到所述测试图像的标注信息。
25.根据权利要求15~24中任一项所述的装置,其中,所述模板图像包括与工业产品对应的模板图像;
所述测试图像包括与所述工业产品对应的测试图像。
26.一种指针表计图像的标注装置,包括:
第一获取模块,用于获取目标指针表计图像;以及
第二获得模块,用于利用根据权利要求15~25中任一项所述的装置对所述目标指针表计图像进行标注,得到所述目标指针表计图像的标注信息。
27.一种深度学习模型的训练装置,包括:
第二获取模块,用于获取样本图像,其中,所述样本图像具有标注信息,所述样本图像的标注信息是利用根据权利要求15~25中任一项所述的装置得到的;以及
第三获得模块,用于利用所述样本图像和所述样本图像的标注信息训练深度学习模型,得到图像处理模型。
28.一种图像处理装置,包括:
第三获取模块,用于获取待处理图像;以及
第四获得模块,用于将所述待处理图像输入图像处理模型,得到图像处理结果,其中,所述图像处理模型是利用根据权利要求27所述的装置训练的。
29.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1~11中任一项、权利要求12、权利要求13或权利要求14所述的方法。
30.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1~11中任一项、权利要求12、权利要求13或权利要求14所述的方法。
31.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1~11中任一项、权利要求12、权利要求13或权利要求14所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946637.4A CN115311469A (zh) | 2022-08-08 | 2022-08-08 | 图像标注方法、训练方法、图像处理方法以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946637.4A CN115311469A (zh) | 2022-08-08 | 2022-08-08 | 图像标注方法、训练方法、图像处理方法以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115311469A true CN115311469A (zh) | 2022-11-08 |
Family
ID=83861665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210946637.4A Pending CN115311469A (zh) | 2022-08-08 | 2022-08-08 | 图像标注方法、训练方法、图像处理方法以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311469A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937546A (zh) * | 2022-11-30 | 2023-04-07 | 北京百度网讯科技有限公司 | 图像匹配、三维图像重建方法、装置、电子设备以及介质 |
CN116310763A (zh) * | 2023-05-10 | 2023-06-23 | 合肥英特灵达信息技术有限公司 | 一种模板图像生成方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5893717A (en) * | 1994-02-01 | 1999-04-13 | Educational Testing Service | Computerized method and system for teaching prose, document and quantitative literacy |
US20160050465A1 (en) * | 2014-08-18 | 2016-02-18 | Groopic, Inc. | Dynamically targeted ad augmentation in video |
CN114596431A (zh) * | 2022-03-10 | 2022-06-07 | 北京百度网讯科技有限公司 | 信息确定方法、装置及电子设备 |
CN114743189A (zh) * | 2022-04-19 | 2022-07-12 | 中国联合网络通信集团有限公司 | 指针式仪表读数识别方法、装置、电子设备及存储介质 |
-
2022
- 2022-08-08 CN CN202210946637.4A patent/CN115311469A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5893717A (en) * | 1994-02-01 | 1999-04-13 | Educational Testing Service | Computerized method and system for teaching prose, document and quantitative literacy |
US20160050465A1 (en) * | 2014-08-18 | 2016-02-18 | Groopic, Inc. | Dynamically targeted ad augmentation in video |
CN114596431A (zh) * | 2022-03-10 | 2022-06-07 | 北京百度网讯科技有限公司 | 信息确定方法、装置及电子设备 |
CN114743189A (zh) * | 2022-04-19 | 2022-07-12 | 中国联合网络通信集团有限公司 | 指针式仪表读数识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
ZIZHU FAN等: "Real Time Power Equipment Meter Recognition Based on Deep Learning", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, vol. 71, pages 5017015 * |
夏德深等: "计算机图像处理及应用", 东南大学出版社, pages: 192 - 195 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937546A (zh) * | 2022-11-30 | 2023-04-07 | 北京百度网讯科技有限公司 | 图像匹配、三维图像重建方法、装置、电子设备以及介质 |
CN116310763A (zh) * | 2023-05-10 | 2023-06-23 | 合肥英特灵达信息技术有限公司 | 一种模板图像生成方法、装置、电子设备及存储介质 |
CN116310763B (zh) * | 2023-05-10 | 2023-07-21 | 合肥英特灵达信息技术有限公司 | 一种模板图像生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311469A (zh) | 图像标注方法、训练方法、图像处理方法以及电子设备 | |
CN113657274B (zh) | 表格生成方法、装置、电子设备及存储介质 | |
CN113095336A (zh) | 关键点检测模型的训练方法和检测目标对象关键点的方法 | |
CN114419035B (zh) | 产品识别方法、模型训练方法、装置和电子设备 | |
CN113642583B (zh) | 用于文本检测的深度学习模型训练方法及文本检测方法 | |
CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
CN113436100A (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN115565177B (zh) | 文字识别模型训练、文字识别方法、装置、设备及介质 | |
CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN114792355A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN114596188A (zh) | 水印检测方法、模型训练方法、装置及电子设备 | |
CN114495101A (zh) | 文本检测方法、文本检测网络的训练方法及装置 | |
CN116309963B (zh) | 一种图像的批量标注方法、装置、电子设备及存储介质 | |
CN113537192A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN113762109A (zh) | 一种文字定位模型的训练方法及文字定位方法 | |
CN116229211A (zh) | 样本生成方法、模型训练方法、对象检测方法及装置 | |
CN115861255A (zh) | 用于图像处理的模型训练方法、装置、设备、介质及产品 | |
CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
CN114724144A (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
CN114549904A (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
CN113378958A (zh) | 自动标注方法、装置、设备、存储介质及计算机程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |